In der Augenheilkunde wird verstärkt der Einsatz von künstlicher Intelligenz (KI) erforscht. Ein Beispiel für diese Entwicklung ist das im Jahr 2024 vorgestellte Modell „EyeFound“. Dabei handelt es sich um ein sogenanntes Foundation Model, das auf über 2,7 Millionen ophthalmologischen Bilddaten basiert und verschiedene diagnostische Aufgaben automatisiert unterstützen kann (Chen et al., 2024).

EyeFound wurde von einem internationalen Forschungskonsortium trainiert. Es berücksichtigt mehrere bildgebende Verfahren, darunter Fundusfotografie, OCT und Fluoreszenzangiografie. Die zugrundeliegende Technologie basiert auf Masked Autoencodern, einer Methode des selbstüberwachten Lernens (He et al.,2022). Dabei werden Bildbereiche gezielt ausgeblendet und das System versucht, diese auf Basis des Kontexts zu rekonstruieren.

In Studien wird untersucht, wie genau das Modell bei der Erkennung häufiger Augenerkrankungen wie diabetischer Retinopathie, altersbedingter Makuladegeneration oder Glaukom arbeitet. Erste Vergleiche mit bestehenden Ansätzen wie RETFound und EyeCLIP deuten darauf hin, dass EyeFound bei bestimmten Aufgaben Verbesserungen erzielen kann (Chen et al., 2024).

Auch über den augenheilkundlichen Bereich hinaus sind Anwendungen denkbar. So gibt es Hinweise, dass Augenbilder auch Informationen über systemische Erkrankungen enthalten können, etwa über Blutdruck oder Herz-Kreislauf-Risiken (Poplin et al., 2018). Ob KI-Modelle diese Informationen verlässlich auswerten können, bleibt Gegenstand laufender Forschung.

Die Einführung solcher Systeme wirft jedoch auch kritische Fragen auf. Dazu gehören unter anderem datenschutzrechtliche Bedenken, Herausforderungen bei der Integration in klinische Arbeitsabläufe und der sogenannte „Black-Box“-Charakter vieler neuronaler Netze. Fachleute fordern transparente Entscheidungsprozesse und belastbare Validierungsdaten (Topol, 2019).

Ob sich EyeFound oder vergleichbare Systeme im klinischen Alltag etablieren, hängt letztlich von regulatorischen Prüfungen, der technischen Zuverlässigkeit sowie der Akzeptanz im medizinischen Umfeldab. Die aktuelle Forschung zeigt zumindest, dass die Kombination von KI und Augenheilkunde neue Perspektiven eröffnen könnte – sowohl im Hinblick auf Effizienz als auch auf Diagnostikqualität.

Quellen:

– Chen et al. (2024). EyeFound: A Multimodal Generalist Foundation Model for Ophthalmic Imaging. arXiv:2405.11338.

– He et al. (2022). Masked Autoencoders Are Scalable Vision Learners. arXiv:2111.06377.

– Poplin et al. (2018). Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Biomedical Engineering.

– Peng et al. (2023). RETFound: Foundation Model for Retinal Imaging. arXiv:2306.00989.

– Topol, E. (2019). High-performance medicine: the convergence of human and artificial intelligence. JAMA